2020-10-31

这篇博客介绍了二叉树的基本概念,包括有序二叉树和树的三种遍历方式:前序、中序和后序。文中详细展示了C语言实现的二叉树结构,包括初始化、插入新节点、查找节点、显示树的内容以及计算树的大小和高度。通过示例代码解释了如何使用递归方法处理二叉树操作,并给出了完整的源代码实现。
摘要由CSDN通过智能技术生成

二叉树

二叉树的绝大多数操作都可以采用递归的方法来实现
方块类型的变量代表一整颗树,圆圈类型的变量只代表一个节点
有序二叉树: 任何一个树的左子树上都比他的节点的数小,右子树比节点的数大,则为有序二叉树
树的遍历: 依次处理树的每一个节点,需要通过递归来实现
树的遍历一定是先遍历左子树然后遍历右子树
根节点的处理顺序:
在处理子树之前处理根节点, 前序遍历
在两个子树之间处理根节点,中序遍历
处理两个子树之后处理根节点,后续遍历
方块类型的变量代表一颗树,而圆圈类型的变量代表的是一个节点
头文件

#ifndef  __TREE__H
#define  __TREE__H
struct node;  //  注意 不能将两个结构体反过来声明,因为 结构体中有指针,知识占据一个int类型就可以了 
              //  但是stuct node 中含有的是结构体,需要知道结构体中具体含有什么,因此不能通过提前声明来编译通过
typedef struct{
	struct node *p_node;
} tree_t; //  表示方块

typedef struct node {
	int val;
	tree_t left;
	tree_t right;
} node_t;  //  表示圆圈
typedef void (*pfunc_t)(int);
void tree_init(tree_t *p_tree);
void tree_deinit(tree_t *p_tree);

tree_t *tree_serach(const tree_t *p_tree, int val);

int tree_insert(tree_t *p_tree, int val);

void tree_show(const tree_t *p_tree, pfunc_t);
int tree_size(const tree_t *);
int tree_high(const tree_t *);
#endif

c 文件

#include<stdio.h>
#include<stdlib.h>
#include"01_tree.h"
void tree_init(tree_t *p_tree)
{
	p_tree->p_node = NULL;
}
//  树的删除需要一个遍历的过程,因此也是一个递归的操作
// 需要使用后续遍历,先处理左子树,再处理右子树,最后处理根节点
// 递归操作: 1.先将问题分解为可以循环的小问题  2. 找到无法进行下去的条件(出口),做操作
void tree_deinit(tree_t *p_tree)
{
	if (!p_tree->p_node)  //  没有节点的树不能分解
		return;
	tree_deinit(&(p_tree->p_node->left)); //  处理左子树 
	tree_deinit(&(p_tree->p_node->right)); //  处理右子树
	free(p_tree->p_node);
	p_tree->p_node =NULL;
}

// 插入分为两步 1. 找到插入的位置  2. 执行插入
// 找到出入的位置 操作按照顺序树出入
tree_t *tree_serach(const tree_t *p_tree, int val)
{
	if (!p_tree->p_node)
		return (tree_t *) p_tree;;
	//如果要插入的位置恰好为跟节点
	if(p_tree->p_node->val == val)
		return (tree_t *) p_tree;
	// 如果插入的位置比根节点的值小,则向左子树找
	else if (p_tree->p_node->val > val) {
		 tree_serach(&(p_tree->p_node->left), val);
	}
	else 
	{
		 tree_serach(&(p_tree->p_node->right),val);
	}
} 

int tree_insert(tree_t *p_tree, int val)
{
	tree_t *p_tmp = NULL;  
	node_t *p_node = NULL;
	p_tmp = tree_serach(p_tree, val);
	if (p_tmp->p_node)
		return 0;
	p_node = (node_t *)malloc(sizeof(node_t));
	if(!p_node)
		return 0;
	p_node->val = val;
	p_node->left.p_node = NULL;
	p_node->right.p_node = NULL;
	p_tmp->p_node = p_node;
	return 1;
}

void tree_show(const tree_t *p_tree, pfunc_t p_func )
{
	if (!p_tree->p_node)
		return;
	tree_show(&(p_tree->p_node->left), p_func);
	p_func(p_tree->p_node->val);
	tree_show(&(p_tree->p_node->right),p_func);
}

int tree_size(const tree_t *p_tree)
{
	int size = 0;
	if (!p_tree->p_node)
		return 0;
	size = tree_size(&(p_tree->p_node->left));
	size += tree_size((&p_tree->p_node->right));
	return size + 1;
}
int tree_high(const tree_t *p_tree)
{
	int highle = 0, highrh = 0;
	if (!p_tree->p_node)
		return 0;
	highle = tree_high(&(p_tree->p_node->left));
	highrh = tree_high(&(p_tree->p_node->right));
	return ((highle >= highrh) ? highle : highrh) + 1; 
}

main 文件

#include<stdio.h>
#include"01_tree.h"

void print(int val)
{
	printf("%d ",val);
}

int main()
{
	tree_t  p_tree = {0};
	tree_init(&p_tree);
	tree_insert(&p_tree, 20);
	tree_insert(&p_tree, 30);
	tree_insert(&p_tree, 40);
	tree_insert(&p_tree, 50);
	tree_insert(&p_tree, 60);
	tree_insert(&p_tree, 230);
	tree_insert(&p_tree, 2);
	tree_insert(&p_tree, 170);
    tree_show(&p_tree, print);
	printf("\n");
	printf("size = %d \n",tree_size(&p_tree));
	printf("high = %d \n",tree_high(&p_tree));
	tree_deinit(&p_tree);

}

运行结果:
2 20 30 40 50 60 170 230
size = 8
high = 7

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值